CN116342011B - 一种整车运输的车货智能匹配方法和*** - Google Patents
一种整车运输的车货智能匹配方法和*** Download PDFInfo
- Publication number
- CN116342011B CN116342011B CN202310580457.3A CN202310580457A CN116342011B CN 116342011 B CN116342011 B CN 116342011B CN 202310580457 A CN202310580457 A CN 202310580457A CN 116342011 B CN116342011 B CN 116342011B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- cargo
- model
- matching
- goods
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims description 55
- 238000011156 evaluation Methods 0.000 claims description 43
- 239000013598 vector Substances 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 20
- 101100379079 Emericella variicolor andA gene Proteins 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Mathematical Optimization (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种整车运输的车货智能匹配方法和***。所述车货智能匹配方法包括收集整车运输订单中的车辆信息和货物信息,利用所述车辆信息和货物信息构建车货智能匹配模型;将所述车货智能匹配模型嵌入至智能匹配***,在接收到整车运输订单时,将货物信息和车辆信息作为输入量,输入至车货智能匹配模型获得匹配结果;并且,利用配货终端反馈的匹配结果对应的车辆装配结果进行车货智能匹配模型的重训判断,并根据重训判断结果进行模型重训执行操作。所述***包括与所述方法步骤对应的模块。
Description
技术领域
本发明提出了一种整车运输的车货智能匹配方法和***,属于车货智能匹配技术领域。
背景技术
整车运输是指将货物装入一辆完整的运输车辆中进行运输。这种运输方式通常用于大批量货物的长距离运输,例如物流、货运等行业。
然而,整车运输过程中,货车可能没有完全载满,或者有些货车已经满载但又需要运输更多的货物。这就需要进行车货匹配,即将未满载的货车与需要运输的货物匹配起来,以充分利用货车的载荷能力,减少空载率,降低运输成本。
发明内容
本发明提供了一种整车运输的车货智能匹配方法和***,用以解决现有技术中整车运输的车载利用率低以及降低运输成本的问题,所采取的技术方案如下:
一种整车运输的车货智能匹配方法,所述车货智能匹配方法包括:
收集整车运输订单中的车辆信息和货物信息,利用所述车辆信息和货物信息构建车货智能匹配模型;
将所述车货智能匹配模型嵌入至智能匹配***,在接收到整车运输订单时,将货物信息和车辆信息作为输入量,输入至车货智能匹配模型获得匹配结果;并且,利用配货终端反馈的匹配结果对应的车辆装配结果进行车货智能匹配模型的重训判断,并根据重训判断结果进行模型重训执行操作。
进一步地,收集整车运输订单中的车辆信息和货物信息,利用所述车辆信息和货物信息构建车货智能匹配模型,包括:
收集整车运输订单中的车辆信息和货物信息,其中,所述车辆信息包括车辆类型及对应容量体积和每种车辆类型对应的数量,所述货物信息包括货物类型,货物数量、货物重量及完成整车配车后的货物实际所占容量体积;
将所述车辆信息进行车辆特征提取,并将所述车辆特征转化为车辆特征向量;
将所述货物信息进行货物特征提取,并将所述货物特征转化为货物特征矩阵;
根据所述整车运输订单建立每个整车运输订单对应的车辆特征向量与所述货物特征矩阵之间的对应关系;
利用神经网络模型结构构建车货智能匹配模型,并将所述整车运输订单分为训练集和测试集;
将所述训练集和测试集中的整车运输订单对应的车辆特征向量、货物特征矩阵和车辆特征向量与所述货物特征矩阵之间的对应关系作为输入量对所述车货智能匹配模型进行训练,直至训练完成,获得完成训练的车货智能匹配模型。
进一步地,所述训练集和测试集的设置比例为8.3:1.7。
进一步地,利用配货终端反馈的匹配结果对应的车辆装配结果进行车货智能匹配模型的重训判断,并根据重训判断结果进行模型重训执行操作,包括:
将所述匹配结果发送至配货终端,其中,所述配货终端与配货执行的工作人员对应;
所述工作人员根据配货终端显示的匹配结果进行配货,获得车辆装配结果;
将所述车辆装配结果通过所述配货终端发送至智能匹配***;其中,所述车辆装配结果包括货车装货容量体积和完成装配时的货物装配至货车中的实际占用容量体积,以及,车载额定重量和完成装配时的货物实际重量;
利用所述车辆装配结果对车货智能匹配模型进行匹配准确度评价参数判定,当所述车货智能匹配模型的准确度评价参数低于预设的准确度评价参数阈值时,则对所述车货智能匹配模型进行重新训练。
进一步地,所述准确度评价参数的获取过程包括:
提取所述车辆装配结果中所包含的货车装货容量体积和完成装配时的货物装配至货车中的实际占用容量体积;
利用所述货车装货容量体积和完成装配时的货物装配至货车中的实际占用容量体积获取第一参数指标;其中,所述第一参数指标通过如下公式获取:
其中,Y 1表示第一参数指标,V表示货车装货容量体积;V 0表示完成装配时的货物装配至货车中的实际占用容量体积;λ 1和λ 2分别表示预设的容积权重系数,λ 1+λ 2<1,并且,λ 2>1.8λ 1;Y 0表示预设的基准参数;
提取所述车辆装配结果中所包含的车载额定重量和完成装配时的货物实际重量;
利用所述车载额定重量和完成装配时的货物实际重量获取第二参数指标;其中,所述第二参数指标通过如下公式获取:
其中,Y 2表示第二参数指标,W表示车载额定重量;W 0表示完成装配时的货物实际重量;λ 1和λ 2分别表示预设的容积权重系数,λ 1+λ 2<1,并且,λ 2>1.8λ 1;Y 0表示预设的基准参数;
利用所述第一参数指标和第二参数指标结合综合指标模型获取准确度评价参数,其中,所述综合指标模型如下:
其中,Y为准确度评价参数;A 1和A 2分别为预设的体积权重参数和重量权重参数,且,A 1+A 2=1。
一种整车运输的车货智能匹配***,所述车货智能匹配***包括:
建模模块,用于收集整车运输订单中的车辆信息和货物信息,利用所述车辆信息和货物信息构建车货智能匹配模型;
匹配模块,用于将所述车货智能匹配模型嵌入至智能匹配***,在接收到整车运输订单时,将货物信息和车辆信息作为输入量,输入至车货智能匹配模型获得匹配结果;并且,利用配货终端反馈的匹配结果对应的车辆装配结果进行车货智能匹配模型的重训判断,并根据重训判断结果进行模型重训执行操作。
进一步地,所述建模模块包括:
信息收集模块,用于收集整车运输订单中的车辆信息和货物信息,其中,所述车辆信息包括车辆类型及对应容量体积和每种车辆类型对应的数量,所述货物信息包括货物类型,货物数量、货物重量及完成整车配车后的货物实际所占容量体积;
特征向量模块,用于将所述车辆信息进行车辆特征提取,并将所述车辆特征转化为车辆特征向量;
特征矩阵模块,用于将所述货物信息进行货物特征提取,并将所述货物特征转化为货物特征矩阵;
对应关系模块,用于根据所述整车运输订单建立每个整车运输订单对应的车辆特征向量与所述货物特征矩阵之间的对应关系;
样本集获取模块,用于利用神经网络模型结构构建车货智能匹配模型,并将所述整车运输订单分为训练集和测试集;
模型训练模块,用于将所述训练集和测试集中的整车运输订单对应的车辆特征向量、货物特征矩阵和车辆特征向量与所述货物特征矩阵之间的对应关系作为输入量对所述车货智能匹配模型进行训练,直至训练完成,获得完成训练的车货智能匹配模型。
进一步地,所述训练集和测试集的设置比例为8.3:1.7。
进一步地,所述匹配模块包括:
第一结果发送模块,用于将所述匹配结果发送至配货终端,其中,所述配货终端与配货执行的工作人员对应;
第二车辆装配结果获取模块,用于所述工作人员根据配货终端显示的匹配结果进行配货,获得车辆装配结果;
第二结果发送模块,用于将所述车辆装配结果通过所述配货终端发送至智能匹配***;其中,所述车辆装配结果包括货车装货容量体积和完成装配时的货物装配至货车中的实际占用容量体积,以及,车载额定重量和完成装配时的货物实际重量;
重训判断模块,用于利用所述车辆装配结果对车货智能匹配模型进行匹配准确度评价参数判定,当所述车货智能匹配模型的准确度评价参数低于预设的准确度评价参数阈值时,则对所述车货智能匹配模型进行重新训练。
进一步地,所述重训判断模块包括:
体积提取模块,用于提取所述车辆装配结果中所包含的货车装货容量体积和完成装配时的货物装配至货车中的实际占用容量体积;
第一参数指标获取模块,用于利用所述货车装货容量体积和完成装配时的货物装配至货车中的实际占用容量体积获取第一参数指标;其中,所述第一参数指标通过如下公式获取:
其中,Y 1表示第一参数指标,V表示货车装货容量体积;V 0表示完成装配时的货物装配至货车中的实际占用容量体积;λ 1和λ 2分别表示预设的容积权重系数,λ 1+λ 2<1,并且,λ 2>1.8λ 1;Y 0表示预设的基准参数;
重量获取模块,用于提取所述车辆装配结果中所包含的车载额定重量和完成装配时的货物实际重量;
第二参数指标获取模块,用于利用所述车载额定重量和完成装配时的货物实际重量获取第二参数指标;其中,所述第二参数指标通过如下公式获取:
其中,Y 2表示第二参数指标,W表示车载额定重量;W 0表示完成装配时的货物实际重量;λ 1和λ 2分别表示预设的容积权重系数,λ 1+λ 2<1,并且,λ 2>1.8λ 1;Y 0表示预设的基准参数;
综合指标获取模块,用于利用所述第一参数指标和第二参数指标结合综合指标模型获取准确度评价参数,其中,所述综合指标模型如下:
其中,Y为准确度评价参数;A 1和A 2分别为预设的体积权重参数和重量权重参数,且,A 1+A 2=1。
本发明有益效果:
本发明提出的一种整车运输的车货智能匹配方法和***通过建立智能车货匹配模型能够有效提高车货匹配准确性和车货匹配效率,同时,本发明提出的一种整车运输的车货智能匹配方法和***通过设置准确率自检模型通过车货匹配结果进行模型匹配检测准确性自查,并通过自查结果进行模型重训判断,能够通过自检方式提高智能车货匹配模型的自检性能和模型训练准确性。防止模型准确性需要认为进行检测并需要人为重新启动模型训练机制导致智能车祸模型的自校正效率降低,以及自校正及时性较差的问题发生。
附图说明
图1为本发明所述车货智能匹配方法的流程图;
图2为本发明所述车货智能匹配***的***框图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明实施例提出了一种整车运输的车货智能匹配方法,如图1所示,所述车货智能匹配方法包括:
S1、收集整车运输订单中的车辆信息和货物信息,利用所述车辆信息和货物信息构建车货智能匹配模型;
S2、将所述车货智能匹配模型嵌入至智能匹配***,在接收到整车运输订单时,将货物信息和车辆信息作为输入量,输入至车货智能匹配模型获得匹配结果;并且,利用配货终端反馈的匹配结果对应的车辆装配结果进行车货智能匹配模型的重训判断,并根据重训判断结果进行模型重训执行操作。
上述技术方案的效果为:本实施例提出的一种整车运输的车货智能匹配方法通过建立智能车货匹配模型能够有效提高车货匹配准确性和车货匹配效率,同时,本发明提出的一种整车运输的车货智能匹配方法和***通过设置准确率自检模型通过车货匹配结果进行模型匹配检测准确性自查,并通过自查结果进行模型重训判断,能够通过自检方式提高智能车货匹配模型的自检性能和模型训练准确性。防止模型准确性需要认为进行检测并需要人为重新启动模型训练机制导致智能车祸模型的自校正效率降低,以及自校正及时性较差的问题发生。
本发明的一个实施例,收集整车运输订单中的车辆信息和货物信息,利用所述车辆信息和货物信息构建车货智能匹配模型,包括:
S101、收集整车运输订单中的车辆信息和货物信息,其中,所述车辆信息包括车辆类型及对应容量体积和每种车辆类型对应的数量,所述货物信息包括货物类型,货物数量、货物重量及完成整车配车后的货物实际所占容量体积;
S102、将所述车辆信息进行车辆特征提取,并将所述车辆特征转化为车辆特征向量;
S103、将所述货物信息进行货物特征提取,并将所述货物特征转化为货物特征矩阵;
S104、根据所述整车运输订单建立每个整车运输订单对应的车辆特征向量与所述货物特征矩阵之间的对应关系;
S105、利用神经网络模型结构构建车货智能匹配模型,并将所述整车运输订单分为训练集和测试集;
S106、将所述训练集和测试集中的整车运输订单对应的车辆特征向量、货物特征矩阵和车辆特征向量与所述货物特征矩阵之间的对应关系作为输入量对所述车货智能匹配模型进行训练,直至训练完成,获得完成训练的车货智能匹配模型。
其中,所述训练集和测试集的设置比例为8.3:1.7。
上述技术方案的效果为:通过上述方式能够有效提高车货智能匹配模型获取效率和车货智能匹配模型的模型准确性。同时,通过所述训练集和测试集的设置比例为8.3:1.7的设置能够进一步提高车货智能匹配模型训练效率和模型训练后的准确性。
本发明的一个实施例,利用配货终端反馈的匹配结果对应的车辆装配结果进行车货智能匹配模型的重训判断,并根据重训判断结果进行模型重训执行操作,包括:
S501、将所述匹配结果发送至配货终端,其中,所述配货终端与配货执行的工作人员对应;
S502、所述工作人员根据配货终端显示的匹配结果进行配货,获得车辆装配结果;
S503、将所述车辆装配结果通过所述配货终端发送至智能匹配***;其中,所述车辆装配结果包括货车装货容量体积和完成装配时的货物装配至货车中的实际占用容量体积,以及,车载额定重量和完成装配时的货物实际重量;
S504、利用所述车辆装配结果对车货智能匹配模型进行匹配准确度评价参数判定,当所述车货智能匹配模型的准确度评价参数低于预设的准确度评价参数阈值时,则对所述车货智能匹配模型进行重新训练。
其中,所述准确度评价参数的获取过程包括:
S5041、提取所述车辆装配结果中所包含的货车装货容量体积和完成装配时的货物装配至货车中的实际占用容量体积;
S5042、利用所述货车装货容量体积和完成装配时的货物装配至货车中的实际占用容量体积获取第一参数指标;其中,所述第一参数指标通过如下公式获取:
其中,Y 1表示第一参数指标,V表示货车装货容量体积;V 0表示完成装配时的货物装配至货车中的实际占用容量体积;λ 1和λ 2分别表示预设的容积权重系数,λ 1+λ 2<1,并且,λ 2>1.8λ 1;Y 0表示预设的基准参数;
S5043、提取所述车辆装配结果中所包含的车载额定重量和完成装配时的货物实际重量;
S5044、利用所述车载额定重量和完成装配时的货物实际重量获取第二参数指标;其中,所述第二参数指标通过如下公式获取:
其中,Y 2表示第二参数指标,W表示车载额定重量;W 0表示完成装配时的货物实际重量;λ 1和λ 2分别表示预设的容积权重系数,λ 1+λ 2<1,并且,λ 2>1.8λ 1;Y 0表示预设的基准参数;
S5045、利用所述第一参数指标和第二参数指标结合综合指标模型获取准确度评价参数,其中,所述综合指标模型如下:
其中,Y为准确度评价参数;A 1和A 2分别为预设的体积权重参数和重量权重参数,且,A 1+A 2=1。
上述技术方案的效果为:通过设置准确率自检模型通过车货匹配结果进行模型匹配检测准确性自查,并通过自查结果进行模型重训判断,能够通过自检方式提高智能车货匹配模型的自检性能和模型训练准确性。防止模型准确性需要认为进行检测并需要人为重新启动模型训练机制导致智能车祸模型的自校正效率降低,以及自校正及时性较差的问题发生。
另外,由于车货智能匹配模型的匹配结果会随着长时间的实际车型应用的变动而产生偏差,因此,通过上述设定第一参数指标和第二参数指标,以及,利用所述第一参数指标和第二参数指标获取综合的准确度评价参数的方式对车货智能匹配模型的准确性进行定时评价,能够有效提高车货智能匹配模型出现误差的发现及时性以及对所述车货智能匹配模型进行模型调整的及时性,防止车货智能匹配模型误差的发现及时性和模型调整的及时性较差导致误差发现延时,并且,所述模型匹配产生的误差体现在真是货车匹配结果中而导致成本增加及配货效率降低的问题发生。同时,通过上述第一参数指标、第二参数指标和综合指标模型的结构设置能够在降低模型运算量和运算复杂度的情况下,提高指标评价准确性。进而通过降低模型运算量和运算复杂度且提高模型评价准确性的方式,最大限度减少模型评价消耗的响应时间,提高评价速度,进而提高模型调整和自校正的及时性。
本发明实施例提出了一种整车运输的车货智能匹配***,如图2所示,所述车货智能匹配***包括:
建模模块,用于收集整车运输订单中的车辆信息和货物信息,利用所述车辆信息和货物信息构建车货智能匹配模型;
匹配模块,用于将所述车货智能匹配模型嵌入至智能匹配***,在接收到整车运输订单时,将货物信息和车辆信息作为输入量,输入至车货智能匹配模型获得匹配结果;并且,利用配货终端反馈的匹配结果对应的车辆装配结果进行车货智能匹配模型的重训判断,并根据重训判断结果进行模型重训执行操作。
上述技术方案的效果为:本实施例提出的一种整车运输的车货智能匹配方法通过建立智能车货匹配模型能够有效提高车货匹配准确性和车货匹配效率,同时,本发明提出的一种整车运输的车货智能匹配方法和***通过设置准确率自检模型通过车货匹配结果进行模型匹配检测准确性自查,并通过自查结果进行模型重训判断,能够通过自检方式提高智能车货匹配模型的自检性能和模型训练准确性。防止模型准确性需要认为进行检测并需要人为重新启动模型训练机制导致智能车祸模型的自校正效率降低,以及自校正及时性较差的问题发生。
本发明的一个实施例,所述建模模块包括:
信息收集模块,用于收集整车运输订单中的车辆信息和货物信息,其中,所述车辆信息包括车辆类型及对应容量体积和每种车辆类型对应的数量,所述货物信息包括货物类型,货物数量、货物重量及完成整车配车后的货物实际所占容量体积;
特征向量模块,用于将所述车辆信息进行车辆特征提取,并将所述车辆特征转化为车辆特征向量;
特征矩阵模块,用于将所述货物信息进行货物特征提取,并将所述货物特征转化为货物特征矩阵;
对应关系模块,用于根据所述整车运输订单建立每个整车运输订单对应的车辆特征向量与所述货物特征矩阵之间的对应关系;
样本集获取模块,用于利用神经网络模型结构构建车货智能匹配模型,并将所述整车运输订单分为训练集和测试集;
模型训练模块,用于将所述训练集和测试集中的整车运输订单对应的车辆特征向量、货物特征矩阵和车辆特征向量与所述货物特征矩阵之间的对应关系作为输入量对所述车货智能匹配模型进行训练,直至训练完成,获得完成训练的车货智能匹配模型。
其中,所述训练集和测试集的设置比例为8.3:1.7。
上述技术方案的效果为:通过上述方式能够有效提高车货智能匹配模型获取效率和车货智能匹配模型的模型准确性。同时,通过所述训练集和测试集的设置比例为8.3:1.7的设置能够进一步提高车货智能匹配模型训练效率和模型训练后的准确性。
本发明的一个实施例,所述匹配模块包括:
第一结果发送模块,用于将所述匹配结果发送至配货终端,其中,所述配货终端与配货执行的工作人员对应;
第二车辆装配结果获取模块,用于所述工作人员根据配货终端显示的匹配结果进行配货,获得车辆装配结果;
第二结果发送模块,用于将所述车辆装配结果通过所述配货终端发送至智能匹配***;其中,所述车辆装配结果包括货车装货容量体积和完成装配时的货物装配至货车中的实际占用容量体积,以及,车载额定重量和完成装配时的货物实际重量;
重训判断模块,用于利用所述车辆装配结果对车货智能匹配模型进行匹配准确度评价参数判定,当所述车货智能匹配模型的准确度评价参数低于预设的准确度评价参数阈值时,则对所述车货智能匹配模型进行重新训练。
具体的,所述重训判断模块包括:
体积提取模块,用于提取所述车辆装配结果中所包含的货车装货容量体积和完成装配时的货物装配至货车中的实际占用容量体积;
第一参数指标获取模块,用于利用所述货车装货容量体积和完成装配时的货物装配至货车中的实际占用容量体积获取第一参数指标;其中,所述第一参数指标通过如下公式获取:
其中,Y 1表示第一参数指标,V表示货车装货容量体积;V 0表示完成装配时的货物装配至货车中的实际占用容量体积;λ 1和λ 2分别表示预设的容积权重系数,λ 1+λ 2<1,并且,λ 2>1.8λ 1;Y 0表示预设的基准参数;
重量获取模块,用于提取所述车辆装配结果中所包含的车载额定重量和完成装配时的货物实际重量;
第二参数指标获取模块,用于利用所述车载额定重量和完成装配时的货物实际重量获取第二参数指标;其中,所述第二参数指标通过如下公式获取:
其中,Y 2表示第二参数指标,W表示车载额定重量;W 0表示完成装配时的货物实际重量;λ 1和λ 2分别表示预设的容积权重系数,λ 1+λ 2<1,并且,λ 2>1.8λ 1;Y 0表示预设的基准参数;
综合指标获取模块,用于利用所述第一参数指标和第二参数指标结合综合指标模型获取准确度评价参数,其中,所述综合指标模型如下:
其中,Y为准确度评价参数;A 1和A 2分别为预设的体积权重参数和重量权重参数,且,A 1+A 2=1。
上述技术方案的效果为:通过设置准确率自检模型通过车货匹配结果进行模型匹配检测准确性自查,并通过自查结果进行模型重训判断,能够通过自检方式提高智能车货匹配模型的自检性能和模型训练准确性。防止模型准确性需要认为进行检测并需要人为重新启动模型训练机制导致智能车祸模型的自校正效率降低,以及自校正及时性较差的问题发生。
另外,由于车货智能匹配模型的匹配结果会随着长时间的实际车型应用的变动而产生偏差,因此,通过上述设定第一参数指标和第二参数指标,以及,利用所述第一参数指标和第二参数指标获取综合的准确度评价参数的方式对车货智能匹配模型的准确性进行定时评价,能够有效提高车货智能匹配模型出现误差的发现及时性以及对所述车货智能匹配模型进行模型调整的及时性,防止车货智能匹配模型误差的发现及时性和模型调整的及时性较差导致误差发现延时,并且,所述模型匹配产生的误差体现在真是货车匹配结果中而导致成本增加及配货效率降低的问题发生。同时,通过上述第一参数指标、第二参数指标和综合指标模型的结构设置能够在降低模型运算量和运算复杂度的情况下,提高指标评价准确性。进而通过降低模型运算量和运算复杂度且提高模型评价准确性的方式,最大限度减少模型评价消耗的响应时间,提高评价速度,进而提高模型调整和自校正的及时性。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (4)
1.一种整车运输的车货智能匹配方法,其特征在于,所述车货智能匹配方法包括:
收集整车运输订单中的车辆信息和货物信息,利用所述车辆信息和货物信息构建车货智能匹配模型;
将所述车货智能匹配模型嵌入至智能匹配***,在接收到整车运输订单时,将货物信息和车辆信息作为输入量,输入至车货智能匹配模型获得匹配结果;并且,利用配货终端反馈的匹配结果对应的车辆装配结果进行车货智能匹配模型的重训判断,并根据重训判断结果进行模型重训执行操作;
其中,收集整车运输订单中的车辆信息和货物信息,利用所述车辆信息和货物信息构建车货智能匹配模型,包括:
收集整车运输订单中的车辆信息和货物信息,其中,所述车辆信息包括车辆类型及对应容量体积和每种车辆类型对应的数量,所述货物信息包括货物类型,货物数量、货物重量及完成整车配车后的货物实际所占容量体积;
将所述车辆信息进行车辆特征提取,并将所述车辆特征转化为车辆特征向量;
将所述货物信息进行货物特征提取,并将所述货物特征转化为货物特征矩阵;
根据所述整车运输订单建立每个整车运输订单对应的车辆特征向量与所述货物特征矩阵之间的对应关系;
利用神经网络模型结构构建车货智能匹配模型,并将所述整车运输订单分为训练集和测试集;
将所述训练集和测试集中的整车运输订单对应的车辆特征向量、货物特征矩阵和车辆特征向量与所述货物特征矩阵之间的对应关系作为输入量对所述车货智能匹配模型进行训练,直至训练完成,获得完成训练的车货智能匹配模型;
其中,利用配货终端反馈的匹配结果对应的车辆装配结果进行车货智能匹配模型的重训判断,并根据重训判断结果进行模型重训执行操作,包括:
将所述匹配结果发送至配货终端,其中,所述配货终端与配货执行的工作人员对应;
所述工作人员根据配货终端显示的匹配结果进行配货,获得车辆装配结果;
将所述车辆装配结果通过所述配货终端发送至智能匹配***;其中,所述车辆装配结果包括货车装货容量体积和完成装配时的货物装配至货车中的实际占用容量体积,以及,车载额定重量和完成装配时的货物实际重量;
利用所述车辆装配结果对车货智能匹配模型进行匹配准确度评价参数判定,当所述车货智能匹配模型的准确度评价参数低于预设的准确度评价参数阈值时,则对所述车货智能匹配模型进行重新训练;
其中,所述准确度评价参数的获取过程包括:
提取所述车辆装配结果中所包含的货车装货容量体积和完成装配时的货物装配至货车中的实际占用容量体积;
利用所述货车装货容量体积和完成装配时的货物装配至货车中的实际占用容量体积获取第一参数指标;其中,所述第一参数指标通过如下公式获取:
其中,Y 1表示第一参数指标,V表示货车装货容量体积;V 0表示完成装配时的货物装配至货车中的实际占用容量体积;λ 1和λ 2分别表示预设的容积权重系数,λ 1+λ 2<1,并且,λ 2>1.8λ 1;Y 0表示预设的基准参数;
提取所述车辆装配结果中所包含的车载额定重量和完成装配时的货物实际重量;
利用所述车载额定重量和完成装配时的货物实际重量获取第二参数指标;其中,所述第二参数指标通过如下公式获取:
其中,Y 2表示第二参数指标,W表示车载额定重量;W 0表示完成装配时的货物实际重量;λ 1和λ 2分别表示预设的容积权重系数,λ 1+λ 2<1,并且,λ 2>1.8λ 1;Y 0表示预设的基准参数;
利用所述第一参数指标和第二参数指标结合综合指标模型获取准确度评价参数,其中,所述综合指标模型如下:
其中,Y为准确度评价参数;A 1和A 2分别为预设的体积权重参数和重量权重参数,且,A 1+A 2=1。
2.根据权利要求1所述车货智能匹配方法,其特征在于,所述训练集和测试集的设置比例为8.3:1.7。
3.一种整车运输的车货智能匹配***,其特征在于,所述车货智能匹配***包括:
建模模块,用于收集整车运输订单中的车辆信息和货物信息,利用所述车辆信息和货物信息构建车货智能匹配模型;
匹配模块,用于将所述车货智能匹配模型嵌入至智能匹配***,在接收到整车运输订单时,将货物信息和车辆信息作为输入量,输入至车货智能匹配模型获得匹配结果;并且,利用配货终端反馈的匹配结果对应的车辆装配结果进行车货智能匹配模型的重训判断,并根据重训判断结果进行模型重训执行操作;
其中,所述建模模块包括:
信息收集模块,用于收集整车运输订单中的车辆信息和货物信息,其中,所述车辆信息包括车辆类型及对应容量体积和每种车辆类型对应的数量,所述货物信息包括货物类型,货物数量、货物重量及完成整车配车后的货物实际所占容量体积;
特征向量模块,用于将所述车辆信息进行车辆特征提取,并将所述车辆特征转化为车辆特征向量;
特征矩阵模块,用于将所述货物信息进行货物特征提取,并将所述货物特征转化为货物特征矩阵;
对应关系模块,用于根据所述整车运输订单建立每个整车运输订单对应的车辆特征向量与所述货物特征矩阵之间的对应关系;
样本集获取模块,用于利用神经网络模型结构构建车货智能匹配模型,并将所述整车运输订单分为训练集和测试集;
模型训练模块,用于将所述训练集和测试集中的整车运输订单对应的车辆特征向量、货物特征矩阵和车辆特征向量与所述货物特征矩阵之间的对应关系作为输入量对所述车货智能匹配模型进行训练,直至训练完成,获得完成训练的车货智能匹配模型;
其中,所述匹配模块包括:
第一结果发送模块,用于将所述匹配结果发送至配货终端,其中,所述配货终端与配货执行的工作人员对应;
第二车辆装配结果获取模块,用于所述工作人员根据配货终端显示的匹配结果进行配货,获得车辆装配结果;
结果发送模块,用于将所述车辆装配结果通过所述配货终端发送至智能匹配***;其中,所述车辆装配结果包括货车装货容量体积和完成装配时的货物装配至货车中的实际占用容量体积,以及,车载额定重量和完成装配时的货物实际重量;
重训判断模块,用于利用所述车辆装配结果对车货智能匹配模型进行匹配准确度评价参数判定,当所述车货智能匹配模型的准确度评价参数低于预设的准确度评价参数阈值时,则对所述车货智能匹配模型进行重新训练;
其中,所述重训判断模块包括:
体积提取模块,用于提取所述车辆装配结果中所包含的货车装货容量体积和完成装配时的货物装配至货车中的实际占用容量体积;
第一参数指标获取模块,用于利用所述货车装货容量体积和完成装配时的货物装配至货车中的实际占用容量体积获取第一参数指标;其中,所述第一参数指标通过如下公式获取:
其中,Y 1表示第一参数指标,V表示货车装货容量体积;V 0表示完成装配时的货物装配至货车中的实际占用容量体积;λ 1和λ 2分别表示预设的容积权重系数,λ 1+λ 2<1,并且,λ 2>1.8λ 1;Y 0表示预设的基准参数;
重量获取模块,用于提取所述车辆装配结果中所包含的车载额定重量和完成装配时的货物实际重量;
第二参数指标获取模块,用于利用所述车载额定重量和完成装配时的货物实际重量获取第二参数指标;其中,所述第二参数指标通过如下公式获取:
其中,Y 2表示第二参数指标,W表示车载额定重量;W 0表示完成装配时的货物实际重量;λ 1和λ 2分别表示预设的容积权重系数,λ 1+λ 2<1,并且,λ 2>1.8λ 1;Y 0表示预设的基准参数;
综合指标获取模块,用于利用所述第一参数指标和第二参数指标结合综合指标模型获取准确度评价参数,其中,所述综合指标模型如下:
其中,Y为准确度评价参数;A 1和A 2分别为预设的体积权重参数和重量权重参数,且,A 1+A 2=1。
4.根据权利要求3所述车货智能匹配***,其特征在于,所述训练集和测试集的设置比例为8.3:1.7。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310580457.3A CN116342011B (zh) | 2023-05-23 | 2023-05-23 | 一种整车运输的车货智能匹配方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310580457.3A CN116342011B (zh) | 2023-05-23 | 2023-05-23 | 一种整车运输的车货智能匹配方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116342011A CN116342011A (zh) | 2023-06-27 |
CN116342011B true CN116342011B (zh) | 2023-07-21 |
Family
ID=86889749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310580457.3A Active CN116342011B (zh) | 2023-05-23 | 2023-05-23 | 一种整车运输的车货智能匹配方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116342011B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245789A (zh) * | 2019-05-30 | 2019-09-17 | 众能联合数字技术有限公司 | 一种货车装货匹配方法 |
CN112085454A (zh) * | 2020-09-24 | 2020-12-15 | 黄石九州物流科技集团有限责任公司 | 一种车货快速匹配方法及装置 |
CN113743863A (zh) * | 2021-08-17 | 2021-12-03 | 广西综合交通大数据研究院 | 一种基于智能合约的车货匹配方法 |
CN114418417A (zh) * | 2022-01-25 | 2022-04-29 | 江苏满运软件科技有限公司 | 车货匹配方法和基于其的运力预测方法、装置、电子设备 |
CN114936822A (zh) * | 2022-06-01 | 2022-08-23 | 上海东普信息科技有限公司 | 车货匹配方法、装置、设备及存储介质 |
CN115860613A (zh) * | 2023-02-28 | 2023-03-28 | 南京邮电大学 | 一种考虑预约机制的零担车货匹配及车辆调度方法 |
-
2023
- 2023-05-23 CN CN202310580457.3A patent/CN116342011B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245789A (zh) * | 2019-05-30 | 2019-09-17 | 众能联合数字技术有限公司 | 一种货车装货匹配方法 |
CN112085454A (zh) * | 2020-09-24 | 2020-12-15 | 黄石九州物流科技集团有限责任公司 | 一种车货快速匹配方法及装置 |
CN113743863A (zh) * | 2021-08-17 | 2021-12-03 | 广西综合交通大数据研究院 | 一种基于智能合约的车货匹配方法 |
CN114418417A (zh) * | 2022-01-25 | 2022-04-29 | 江苏满运软件科技有限公司 | 车货匹配方法和基于其的运力预测方法、装置、电子设备 |
CN114936822A (zh) * | 2022-06-01 | 2022-08-23 | 上海东普信息科技有限公司 | 车货匹配方法、装置、设备及存储介质 |
CN115860613A (zh) * | 2023-02-28 | 2023-03-28 | 南京邮电大学 | 一种考虑预约机制的零担车货匹配及车辆调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116342011A (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111089643B (zh) | 一种动态车载称重的方法及*** | |
CN112883648B (zh) | 汽车油耗预测模型的训练方法、装置、计算机设备 | |
CN110633638A (zh) | 一种垃圾收运监管方法、装置、存储介质和智能设备 | |
CN111144809B (zh) | 一种基于安全校验和误差判断的运费自动结算方法 | |
CN110070237A (zh) | 基于货物配送点、货物体积和车型的货物配载计算方法 | |
CN116502866B (zh) | 一种智能散货船舶计划和自动分类方法 | |
CN112529487B (zh) | 车辆调度方法、装置以及存储介质 | |
CN111060153A (zh) | 货车载货状态的检测方法、装置及存储介质 | |
CN111380693A (zh) | 挂车状态检测方法及挂车状态检测装置 | |
CN116562405A (zh) | 一种增程式插电混合动力汽车预约充电智能方法、装置及计算机*** | |
CN116342011B (zh) | 一种整车运输的车货智能匹配方法和*** | |
CN116523270B (zh) | 一种物流运输任务自动调度方法、设备、服务器及介质 | |
CN112116723B (zh) | 一种基于车牌识别的无感收费方法及装置 | |
CN112801336B (zh) | 一种组合拼载的货运调控方法 | |
CN116502985B (zh) | 一种场景化减少空载率的高效运单匹配方法 | |
CN115760187A (zh) | 一种运力成本估算方法、装置、电子设备及存储介质 | |
CN108596446B (zh) | 受集装箱吊车任务队列约束的港内集卡派发方法 | |
Lu et al. | Multi-Depot Vehicle Scheduling Optimization for Port Container Drop and Pull Transport | |
CN115827248A (zh) | 基于边缘计算的垃圾收运*** | |
CN114239996A (zh) | 物流信息预测方法、装置、设备、平台及存储介质 | |
CN114444950A (zh) | 温室气体减排量的计算方法、计算装置和可读存储介质 | |
CN114707820A (zh) | 货物运输方法、装置、终端设备及可读存储介质 | |
CN111160726A (zh) | 一种运输订单的智能配载方法 | |
CN116307985B (zh) | 建筑材料节能运输方法、计算机设备与介质 | |
CN118134204B (zh) | 一种基于云计算的多终端物流运输任务管理方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |